Konwolucyjne sieci neuronowe uczą się na podstawie danych zawartych w obrazach. W tym rozdziale przyjrzysz się danym w obrazach i nauczysz się, jak używać Keras do trenowania sieci neuronowej klasyfikującej obiekty widoczne na obrazach.

Wprowadzenie do konwolucyjnych sieci neuronowych

Obrazy jako dane: wizualizacje

Obrazy jako dane: modyfikowanie obrazów

Klasyfikacja obrazów

Kodowanie one-hot do reprezentowania obrazów

Ocena klasyfikatora

Klasyfikacja z Keras

Zbuduj sieć neuronową

Kompilowanie sieci neuronowej

Dopasowywanie modelu sieci neuronowej do danych odzieżowych

Kroswalidacja w ocenie sieci neuronowej

Przetwarzanie obrazów z sieciami neuronowymi

Konwolucje to podstawowe elementy składowe konwolucyjnych sieci neuronowych. W tym rozdziale poznasz konwolucje i dowiesz się, jak działają na danych obrazowych. Zobaczysz też, jak wbudować konwolucje w sieci neuronowe tworzone w Keras.

Sploty

Jednowymiarowe sploty

Konwolucja obrazów

Definiowanie jąder splotu obrazu

Implementacja konwolucji obrazów w Keras

Sieć konwolucyjna do klasyfikacji obrazów

Trenowanie sieci CNN do klasyfikacji rodzajów odzieży

Ocena sieci CNN na danych testowych

Dostosowywanie konwolucji

Dodawanie paddingu do sieci CNN

Dodawanie kroków do sieci splotowej

Oblicz rozmiar wyjścia warstwy splotowej

Zastosowanie konwolucji

Konwolucyjne sieci neuronowe zyskują na mocy, gdy są budowane z wielu warstw (sieci głębokie). W tym rozdziale nauczysz się, jak układać wiele warstw konwolucyjnych w głęboką sieć. Dowiesz się również, jak śledzić liczbę parametrów w miarę rozrostu sieci i jak tę liczbę kontrolować.

Coraz głębiej

Tworzenie sieci głębokiego uczenia

Trenowanie głębokiej sieci CNN do klasyfikacji obrazów odzieży

Co wyróżnia głęboką sieć?

Ile parametrów?

Ile parametrów ma sieć CNN?

Ile parametrów ma głęboka sieć CNN?

Operacje poolingu

Napisz własną operację poolingu

Warstwy poolingu w Keras

Trenowanie głębokiej sieci CNN z poolingiem do klasyfikacji obrazów

Głębsze sieci

Istnieje wiele sposobów na poprawę procesu trenowania sieci neuronowych. W tym rozdziale skupimy się na monitorowaniu skuteczności sieci oraz zbadamy metody doskonalenia konwolucyjnych sieci neuronowych.

Śledzenie procesu uczenia

Wykres krzywych uczenia

Wykorzystanie zapisanych wag do przewidywania na zbiorze testowym

Regularyzacja

Dodawanie dropout do sieci

Dodaj normalizację wsadową do sieci

Interpretacja modelu

Wyodrębnianie jądra z wytrenowanej sieci

Kształt wag

Wizualizacja odpowiedzi jąder splotowych

Kolejne kroki

Zrozumienie i doskonalenie głębokich konwolucyjnych sieci neuronowych

Modelowanie obrazów często wymaga metod głębokiego uczenia, które wykorzystują dane do trenowania algorytmów sieci neuronowych w różnych zadaniach uczenia maszynowego. Konwolucyjne sieci neuronowe (CNN) to szczególnie wydajne sieci neuronowe, których użyjesz do klasyfikowania różnych typów obiektów podczas analizy obrazów. Ten czterogodzinny kurs nauczy cię, jak budować, trenować i oceniać sieci CNN przy użyciu Keras.

<h2>Naucz się korzystać z konwolucyjnych sieci neuronowych w Pythonie</h2>
  Model obrazowy często wymaga metod deep learning, które wykorzystują dane do trenowania sieci neuronowych
  algorytmy sieciowe do wykonywania różnych zadań uczenia maszynowego. Sieci neuronowe konwolucyjne
  sieci neuronowe konwolucyjne (CNN) są szczególnie potężnymi sieciami neuronowymi, których użyjesz do
  klasyfikować różne typy obiektów do analizy obrazów. Ten czterogodzinny
  kurs nauczy Cię, jak konstruować, trenować i oceniać CNN-y za pomocą Keras.
  <br><br>
  Przekształcanie obrazów w dane i uczenie sieci neuronowych ich klasyfikowania to jest
  wymagający element deep learning z szerokimi zastosowaniami w całym zakresie
  biznesu i badań, od pomagania witrynie eCommerce w lepszym zarządzaniu zapasami
  umożliwiając badaczom nowotworów szybkie wykrywanie niebezpiecznego czerniaka.
  <br><br>
  <h2>Odkryj sieci CNN w Keras</h2>
  Pierwszy rozdział tego kursu pokazuje, jak obrazy można postrzegać jako dane, oraz
  jak możesz użyć Keras do trenowania sieci neuronowej do klasyfikowania obiektów znalezionych w
  obrazy.
  <br><br>
  Drugi rozdział obejmie sploty, fundamentalną część CNN. Będziesz
  dowiedz się, jak działają na danych obrazowych, i naucz się trenować oraz dostrajać swój
  Keras CNN z wykorzystaniem danych testowych. Późniejsze rozdziały omawiają to bardziej szczegółowo i uczą Cię
  jak stworzyć sieć głębokiego uczenia.
  <br><br>
  <h2>Zbuduj własną sieć neuronową Keras</h2>
  Zakończysz kurs, poznając różne sposoby śledzenia, jak
  jak działa CNN i jak możesz poprawić jego wydajność. W tym momencie,
  będziesz w stanie tworzyć sieci neuronowe Keras, optymalizować je i wizualizować
  ich odpowiedzi w różnych zastosowaniach.

Introduction to Deep Learning with Keras

Ucz się używać deep learning do analizy obrazów w Keras z Pythonem, budując i trenując sieci CNN.

Modelowanie obrazów z Keras

Naucz się analizować obrazy w Keras z Pythonem, tworząc, trenując i oceniając konwolucyjne sieci neuronowe. 

Przetwarzanie obrazów w Pythonie

Podstawy Keras

Oblicz rozmiar wyjścia warstwy splotowej

Modelowanie obrazów z Keras

Interaktywne ćwiczenie praktyczne